XiaoMi-AI文件搜索系统
World File Search System剩余
过期或剩余药物的处理方法/...
背景 堪萨斯州卫生和环境部 (KDHE) 担心不受管制的 1 类药物，因为其中多达 10% 的药物可能与受 RCRA 子标题 C 管制的药物一样危险，而且许多其他药物对人类和环境健康的影响尚不清楚。本文件不涵盖受管制物质，这些物质受到美国缉毒局 (DEA) 的严格管制。 2 RCRA 子标题 C 管制危险废物，但不管制许多药物，包括一些强效的激素、抗生素、抗抑郁药和抗高血压药。 3 随着淡水成为越来越宝贵的资源，保护我们的地表水和地下水免受可能影响环境和人类健康的污染非常重要。从历史上看，过剩和过期的药物通常通过卫生下水道系统处理。然而，研究发现地下水和地表水中存在药物及其副产品，这表明这种处理方法在防止污染方面并不完全有效。自 2019 年 8 月 21 日起，联邦法规禁止医疗机构（包括药房和长期护理机构）将危险废弃药品排放到污水管道中（40 CFR § 266.505）。另一种处理药物的方式是将其排放到获准的垃圾填埋场。这种方法可能会对未来产生影响：随着时间的推移，垃圾填埋场会产生渗滤液，其中含有药物降解产生的副产品，有时甚至含有原始状态的药物。通常，渗滤液会储存在现场的储罐中，直到被运送到废水处理厂进行处理。在极少数情况下，渗滤液可能会通过垃圾填埋场衬垫系统迁移到地下水中。对于养老院和公众等产生者来说，将非管制药物排放到城市固体废物 (MSW) 垃圾填埋场仍然是一种合法选择。然而，由于许多化学物质在环境中意外持久存在，以及污染可能对人类和生态健康造成不利影响，新的担忧也随之而来。研究表明，一些化学物质可以在地下水中存留数十年。大多数药物及其副产品的浓度都很低；然而，即使是低水平接触其中一些化学物质也可能导致严重的慢性影响。潜在的问题包括生理过程异常、生殖障碍、癌症发病率增加以及抗生素耐药性生物的出现。但许多化学物质对人类和环境的影响尚不明确。此外，人们对可能的协同作用或
基于锂离子电池的剩余使用寿命预测...
无人管理的水下车辆通常部署在深海环境中，这些环境呈现出独特的工作条件。锂离子电池对于为水下车辆供电至关重要，至关重要的是要准确预测其剩余使用寿命（RUL）以保持系统的可靠性和安全性至关重要。我们提出了一个基于完整集合经验模式分解的残留寿命预测模型框架，并具有自适应噪声 - 时空卷积网（Ceemdan-TCN），该卷积网（Ceemdan-TCN）利用了扩张的因果汇报来提高模型捕获局部容量再生的能力，并增强了整体预测准确性。ceemdan被用来确定数据并防止由局部再生引起的Rul预测错误，并利用特征扩展来扩展原始数据的时间维度。NASA和CALCE电池容量数据集用作训练网络框架的输入。输出是当前预测的剩余容量，它与实际剩余电池容量进行了比较。MAE，RMSE和RE用作RUL预测性能的评估索引。在NASA和CACLE数据集上验证了所提出的网络模型。评估结果表明，我们的方法具有更好的寿命预测性能。同时，证明特征扩展和模态分解都可以提高模型的概括能力，这在工业场景中非常有用。
预测电池的剩余有用寿命
方法此机器学习模型是在Google Colab中编码的，我们使用了编程语言Python。我们使用诸如Pandas，KneighBorsRegressor和Train_test_split之类的库进行数据操纵，构建和培训机器学习模型，以及对模型的测试和验证。KNN模型使用7个邻居来预测测试数据集目标。将培训和测试数据集加载到熊猫数据框架上进行数据操作。然后，我们通过将功能与目标分离来分开训练数据集。培训数据集被拆分，其中80％的数据用于培训，其余数据用于验证。我们在培训数据集上训练KNN模型。然后该模型预测目标。我们使用均方根误差来评估预测。
评估美国国民剩余季节性...
1。NIPA的最新全面更新于2018年7月发布。本研究中使用的数据来自前后全面的更新年份。可以在https://www.bea.gov/data/gdp/gross-domestic-product上找到NIPA的数据。数据于2018年10月下载。但是，BEA网站上的数据定期更新。
管理剩余费用的影响
配电网络运营商义务 ................................................................................ 28 竞争 .............................................................................................. 28 成本反映性 .............................................................................................. 30 配电网络运营商业务发展 .............................................................................. 31 效率 ................................................................................................ 32 Ofgem 主要目标和更广泛的法定职责 ............................................................. 33 附件 2 – CDCM 评估 ............................................................................. 36
锂离子电池的剩余使用寿命预测...
无人管理的水下车辆通常部署在深海环境中，这些环境呈现出独特的工作条件。锂离子电池对于为水下车辆供电至关重要，至关重要的是要准确预测其剩余使用寿命（RUL）以保持系统的可靠性和安全性至关重要。我们提出了一个基于完整集合经验模式分解的残留寿命预测模型框架，并具有自适应噪声 - 时空卷积网（Ceemdan-TCN），该卷积网（Ceemdan-TCN）利用了扩张的因果汇报来提高模型捕获局部容量再生的能力，并增强了整体预测准确性。ceemdan被用来确定数据并防止由局部再生引起的Rul预测错误，并利用特征扩展来扩展原始数据的时间维度。NASA和CALCE电池容量数据集用作训练网络框架的输入。输出是当前预测的剩余容量，它与实际剩余电池容量进行了比较。MAE，RMSE和RE用作RUL预测性能的评估索引。在NASA和CACLE数据集上验证了所提出的网络模型。评估结果表明，我们的方法具有更好的寿命预测性能。同时，证明特征扩展和模态分解都可以提高模型的概括能力，这在工业场景中非常有用。
退化建模和剩余使用寿命预测...
退化建模和剩余使用寿命 (RUL) 预测对于航空发动机的预测和健康管理至关重要。虽然已经引入了基于模型的方法来预测航空发动机的 RUL，但很少有关于使用新型数据驱动预测建模方法估计航空发动机 RUL 的研究报道。本研究的目的是介绍一种基于集成学习的预测方法来建模由于磨损而导致的指数退化过程以及预测航空发动机的 RUL。集成学习算法结合了多个基学习器，包括随机森林 (RF)、分类和回归树 (CART)、循环神经网络 (RNN)、自回归 (AR) 模型、基于自适应网络的模糊推理系统 (ANFIS)、相关向量机 (RVM) 和弹性网络 (EN)，以实现更好的预测性能。粒子群优化 (PSO) 和顺序二次优化 (SQP) 方法用于确定分配给基学习器的最佳权重。在商用模块化航空推进系统仿真 (C-MAPSS) 工具生成的数据上演示了由集成学习算法训练的预测模型。实验结果表明，集成学习算法可以非常稳健地预测飞机发动机的 RUL，并且优于文献中报道的其他预测方法。[DOI：10.1115/1.4041674]
预测和剩余使用寿命 (RUL) 估计...
第一种方法需要在正常或故障条件下建立系统行为的精确物理模型。当将从传感器捕获的数据与模型的预测进行比较时，可以推断出系统的健康状况。第二种方法使用过去行为的数据来确定当前性能并预测剩余使用寿命 (RUL) (Yakovleva & Erofeev，2015)。物理方法包括失效物理模型。另一种方法是使用简单的裂纹扩展模型来预测受疲劳失效机制影响的系统的 RUL。基于模型的技术需要结合实验、观察、几何和状态监测数据来估计特定失效机制造成的损害。数据驱动技术源自使用历史“运行至失效”(RTF) 数据。这些技术通常用于基于预定失效阈值的估计。可以使用“小波包”分解方法和/或隐马尔可夫模型 (HMM)，因为时频特征比单纯的时间变量能提供更精确的结果。然而，使用历史数据预测资产寿命的方法需要了解资产的物理性质（Okoh 等人，2016 年）。数据驱动的 RUL 估算方法是本章的主题。